Адаптивная нейро-нечеткая система вывода - Adaptive neuro fuzzy inference system

An адаптивная нейро-нечеткая система вывода или же адаптивная сетевая система нечеткого вывода (ANFIS) является своего рода искусственная нейронная сеть основанный на нечеткой системе Такаги – Сугено система вывода. Техника была разработана в начале 1990-х годов.[1][2] Поскольку он объединяет как нейронные сети, так и нечеткая логика принципов, он может объединить преимущества обоих в одном рамки. Его система вывода соответствует набору нечетких IF – THEN правила которые обладают способностью к обучению приблизительно нелинейные функции.[3] Следовательно, ANFIS считается универсальный оценщик.[4] Для более эффективного и оптимального использования ANFIS можно использовать лучшие параметры, полученные генетический алгоритм.[5][6] Он используется в интеллектуальной системе управления энергопотреблением с учетом ситуации.[7]

Архитектура ANFIS

В структуре сети можно выделить две части, а именно: предпосылки и последствия. Более подробно архитектура состоит из пяти слоев. Первый слой принимает входные значения и определяет функции принадлежности принадлежащие им. Его обычно называют слоем фаззификации. Степени принадлежности каждой функции вычисляются с использованием набора параметров предпосылки, а именно {a, b, c}. Второй уровень отвечает за формирование силы стрельбы по правилам. В силу своей задачи второй уровень обозначается как «уровень правил». Роль третьего уровня - нормализовать вычисленную огневую силу путем деления каждого значения на общую огневую мощь. Четвертый слой принимает в качестве входных данных нормализованные значения и набор параметров следствия {p, q, r}. Значения, возвращаемые этим слоем, являются дефаззифицированными, и эти значения передаются последнему слою для возврата окончательного результата.[8]

Слой фаззификации

Первый уровень сети ANFIS описывает отличие от обычной нейронной сети. Нейронные сети в целом работают с предварительная обработка данных шаг, в котором Особенности преобразуются в нормализованные значения от 0 до 1. Нейронной сети ANFIS не требуется сигмовидная функция, но он выполняет этап предварительной обработки путем преобразования числовых значений в нечеткие значения.[9]

Вот пример: предположим, сеть получает на входе расстояние между двумя точками в 2-м пространстве. Расстояние измеряется в пикселях и может принимать значения от 0 до 500 пикселей. Преобразование числовых значений в Нечеткие числа выполняется с помощью функции принадлежности, которая состоит из семантические описания вроде ближнего, среднего и дальнего.[10] Каждую возможную языковую ценность дает отдельный человек. нейрон. Нейрон «рядом» срабатывает со значением от 0 до 1, если расстояние находится в категории «рядом». Пока нейрон «средний» срабатывает, если расстояние в этой категории. Входное значение «расстояние в пикселях» разделено на три разных нейрона: ближний, средний и дальний.

Рекомендации

  1. ^ Джанг, Джих-Шинг Р. (1991). Нечеткое моделирование с использованием обобщенных нейронных сетей и алгоритма фильтра Калмана (PDF). Труды 9-й Национальной конференции по искусственному интеллекту, Анахайм, Калифорния, США, 14–19 июля. 2. С. 762–767.
  2. ^ Jang, J.-S.R. (1993). «ANFIS: система нечеткого вывода на основе адаптивных сетей». IEEE Transactions по системам, человеку и кибернетике. 23 (3): 665–685. Дои:10.1109/21.256541. S2CID  14345934.
  3. ^ Абрахам, А. (2005), «Адаптация системы нечеткого вывода с использованием нейронного обучения», в Недже, Надия; де Маседо Мурель, Луиза (ред.), Разработка нечетких систем: теория и практика, Исследования в области нечеткости и мягких вычислений, 181, Германия: Springer Verlag, стр. 53–83, CiteSeerX  10.1.1.161.6135, Дои:10.1007/11339366_3, ISBN  978-3-540-25322-8
  4. ^ Джанг, Сан, Мизутани (1997) - Нейро-нечеткие и мягкие вычисления - Прентис Холл, стр 335–368, ISBN  0-13-261066-3
  5. ^ Тахмасеби, П. (2012). «Гибридный нейросети-нечеткая логико-генетический алгоритм для оценки успеваемости». Компьютеры и науки о Земле. 42: 18–27. Bibcode:2012CG ..... 42 ... 18 т. Дои:10.1016 / j.cageo.2012.02.004. ЧВК  4268588. PMID  25540468.
  6. ^ Тахмасеби, П. (2010). «Сравнение оптимизированной нейронной сети с нечеткой логикой для оценки содержания руды». Австралийский журнал фундаментальных и прикладных наук. 4: 764–772.
  7. ^ Камаль, Мохасинина Бинте; Mendis, Gihan J .; Вэй, Джин (2018). "Интеллектуальный контроль безопасности на основе мягких вычислений для архитектуры управления энергопотреблением гибридной системы аварийного питания для самолетов More-Electric [sic]". Журнал IEEE по избранным темам в обработке сигналов. 12 (4): 806. Bibcode:2018ISTSP..12..806K. Дои:10.1109 / JSTSP.2018.2848624.
  8. ^ Карабога, Дервис; Кая, Эбубекир (2018). «Подходы к обучению адаптивной сетевой системы нечеткого вывода (ANFIS): всесторонний обзор». Обзор искусственного интеллекта. 52 (4): 2263–2293. Дои:10.1007 / s10462-017-9610-2. ISSN  0269-2821.
  9. ^ J.-S.R. Янг (1992). «Самообучающиеся нечеткие контроллеры, основанные на обратном распространении во времени». IEEE-транзакции в нейронных сетях. Институт инженеров по электротехнике и радиоэлектронике (IEEE). 3 (5): 714–723. Дои:10.1109/72.159060. PMID  18276470.
  10. ^ Аниш Пандей и Сародж Кумар и Кришна Кант Пандей и Дайал Р. Пархи (2016). «Навигация мобильного робота в неизвестных статических средах с использованием контроллера ANFIS». Перспективы в науке. Elsevier BV. 8: 421–423. Дои:10.1016 / j.pisc.2016.04.094.